Lendo os dados

resultados_avaliacoes_exp01 = read_avaliacoes()
## Parsed with column specification:
## cols(
##   id = col_character(),
##   item = col_character(),
##   municipio = col_character(),
##   criterio = col_character(),
##   aproach = col_character(),
##   date = col_datetime(format = ""),
##   valid = col_logical(),
##   contNodeNumberAccess = col_double(),
##   found = col_logical(),
##   pathSought = col_character(),
##   durationMin = col_double(),
##   duration = col_double(),
##   tipo_exp = col_character()
## )
resultados_avaliacoes_exp01[is.na(resultados_avaliacoes_exp01)] <- ""

gararito = read_gabaritos()
## Parsed with column specification:
## cols(
##   municipio = col_character(),
##   criterio = col_character(),
##   item = col_character(),
##   encontrado = col_logical(),
##   local_encontrado = col_character(),
##   local_encontrado_2 = col_character()
## )
gararito[is.na(gararito)] <- ""

empresas_portais <- readr::read_csv(here::here("data/empresas_portais.csv"))
## Warning: Missing column names filled in: 'X8' [8], 'X9' [9], 'X10' [10],
## 'X11' [11], 'X12' [12], 'X13' [13], 'X14' [14], 'X15' [15], 'X16' [16],
## 'X17' [17], 'X18' [18]
## Parsed with column specification:
## cols(
##   municipio = col_character(),
##   link_portal_transp = col_character(),
##   link_prefeitura = col_character(),
##   observacoes = col_character(),
##   fornecedor = col_character(),
##   tipo_fornecer = col_character(),
##   `Fornecedor: Gestões Anteriores` = col_character(),
##   X8 = col_character(),
##   X9 = col_logical(),
##   X10 = col_logical(),
##   X11 = col_logical(),
##   X12 = col_logical(),
##   X13 = col_logical(),
##   X14 = col_logical(),
##   X15 = col_logical(),
##   X16 = col_logical(),
##   X17 = col_logical(),
##   X18 = col_character()
## )

Removendo avaliações que não pertecem ao experimento 01

resultados_avaliacoes_exp01 <- resultados_avaliacoes_exp01 %>% 
  filter(tipo_exp == 'all_itens')

Adicionando combinação encontrada em cada município no gabarito

empresas_portais <- empresas_portais %>% 
    select(municipio, fornecedor)

gararito<-left_join(gararito, empresas_portais, by=c("municipio"))

Juntando Avaliações e Gabaritos

# concatena os dois csv o do gabarito e avaliações do crawler
data<-left_join(resultados_avaliacoes_exp01, gararito, by=c("municipio", "item", "criterio"))

Sumarizando as avaliações

sumarise_exp01 <- data %>% 
    group_by(municipio, criterio, item, aproach, date) %>% 
    mutate(
           
           #verifica se a avaliação foi acertiva
           tp = (valid == TRUE 
           & valid == encontrado 
           #valida se no gabarito e na avaliação o item foi encontrado na mesma url 
           & (grepl(local_encontrado, pathSought) |
                  grepl(local_encontrado_2, pathSought))) | (valid == FALSE 
           & valid == encontrado),
           
           fn =  valid == FALSE 
           & encontrado == TRUE,
           
           fp = valid == TRUE 
           & encontrado == FALSE
          )

sumarise_exp01 %>%
    datatable(options = list(pageLength = 5),  rownames = FALSE, class = 'cell-border stripe')
## Warning in instance$preRenderHook(instance): It seems your data is too big
## for client-side DataTables. You may consider server-side processing: https://
## rstudio.github.io/DT/server.html

Quantificando métricas

metricas_result_exp01 <- sumarise_exp01 %>% 
    #filter(!is.na(aproach )) %>% 
    group_by(municipio, aproach, date) %>% 
    summarise(
        total_itens = n(),
        tp_total = sum(tp), 
        fn_total = sum(fn),
        fp_total = sum(fp),
        
        #cálculo das métricas 
        recall = tp_total/(tp_total + fn_total),
        precision =  tp_total/(tp_total + fp_total),
        f1_score = (2*(recall*precision))/(recall+precision),
        
        #tempo das avaliações
        median_duration_min = median(durationMin),
        median_duration = median(duration),
        max_duration = max(duration),
        max_durationMin = max(durationMin),
        median_num_access_node = median(contNodeNumberAccess),
        max_num_access_node = max(contNodeNumberAccess),
        all_access_node = sum(contNodeNumberAccess),
        combination = last(fornecedor),
        tipo_exp = last(tipo_exp)
    )


metricas_result_exp01 <- metricas_result_exp01 %>%
  filter(total_itens == 61)

metricas_result_exp01 %>% 
    write_csv(here::here("data/resultados_sumarizado_exp01.csv"))

metricas_result_exp01 %>%
  arrange(desc(recall))
## # A tibble: 175 x 19
## # Groups:   municipio, aproach [87]
##    municipio aproach date                total_itens tp_total fn_total fp_total
##    <chr>     <chr>   <dttm>                    <int>    <int>    <int>    <int>
##  1 Campina … bfs     2019-11-09 23:00:06          61       57        0        4
##  2 Campina … dfs     2019-11-13 03:48:50          61       56        0        4
##  3 Alcantil  dfs     2019-11-22 15:33:46          61       57        1        3
##  4 Cruz do … bandit  2019-11-19 03:30:36          61       57        1        3
##  5 Cruz do … bandit  2019-11-29 04:37:19          61       57        1        3
##  6 Cruz do … dfs     2019-11-23 02:52:17          61       57        1        3
##  7 Cruz do … dfs     2019-11-26 18:06:55          61       57        1        3
##  8 Pocinhos  bandit  2019-11-29 05:34:03          61       57        1        3
##  9 Pocinhos  dfs     2019-11-21 04:07:57          61       57        1        3
## 10 Santa Ce… dfs     2019-11-23 13:51:10          61       55        1        5
## # … with 165 more rows, and 12 more variables: recall <dbl>, precision <dbl>,
## #   f1_score <dbl>, median_duration_min <dbl>, median_duration <dbl>,
## #   max_duration <dbl>, max_durationMin <dbl>, median_num_access_node <dbl>,
## #   max_num_access_node <dbl>, all_access_node <dbl>, combination <chr>,
## #   tipo_exp <chr>

Avaliações por abordagem

metricas_result_exp01 %>%
    group_by(aproach) %>% 
    summarise(ocorrencia = n()) %>%
    ggplot(aes(y=ocorrencia, x=reorder(aproach, +(ocorrencia)))) + 
    geom_bar(stat = "identity",  fill="#5499C7") + 
    ggtitle("Número de Avaliações por Abordagem") +
    xlab("Abordagem") + 
    ylab("Número de avaliações") +
    coord_flip()

Número de Avaliações por abordagem

metricas_result_exp01 %>%
    group_by(municipio) %>%
    summarise(bfs = sum(aproach == 'bfs'), dfs = sum(aproach == 'dfs'), bandit = sum(aproach == 'bandit')) %>%
    arrange(desc(dfs)) %>%
    datatable(options = list(pageLength = 10),  rownames = FALSE, class = 'cell-border stripe')

Todas as Avaliações

metricas_result_exp01 %>%
    select(municipio, aproach, date, recall, precision, f1_score) %>%
    arrange(desc(recall)) %>% 
    datatable(options = list(pageLength = 10),  rownames = FALSE, class = 'cell-border stripe')

F1-score

metricas_result_exp01 %>% 
  ggplot(aes(x = aproach, y = f1_score)) +
  geom_boxplot() 

metricas_result_exp01 %>%
    ggplot(aes(x = reorder(aproach, +(f1_score)), y = f1_score)) +
    geom_boxplot() +
    geom_jitter(aes(color = aproach), alpha=0.5)

# median( (metricas_result_exp01 %>% filter(aproach=='bandit'))$f1_score)
# [1] 0.9107143
# [1] 0.9107143
# [1] 0.9009009

Tempo de Duração

metricas_result_exp01 %>%
    ggplot(aes(x = reorder(aproach, +(max_durationMin)), y = max_durationMin)) +
    geom_boxplot() 

Nós Acessados

metricas_result_exp01 %>%
  ggplot(aes(x = reorder(aproach, +(max_num_access_node)), y = max_num_access_node)) +
  geom_boxplot()

IC

set.seed(123)

f1_score <- function (d, i) {
    dt<-d[i,]
    c(
        median(dt$f1_score)
    )
}
    
bootstraps_exp01 <- boot(data = metricas_result_exp01, 
                   statistic = f1_score, # <- referência para a função 
                   R = 4000) # número de bootstraps


ci.tb_exp01 = tidy(bootstraps_exp01, 
          conf.level = .95,
          conf.method = "bca",
          conf.int = TRUE) 


glimpse(ci.tb_exp01)
## Observations: 1
## Variables: 5
## $ statistic <dbl> 0.9090909
## $ bias      <dbl> -0.000762414
## $ std.error <dbl> 0.009207602
## $ conf.low  <dbl> 0.8965517
## $ conf.high <dbl> 0.9298246
ci.tb_exp01 %>%
    ggplot(aes(x = "", y = statistic,
               ymin = conf.low,
               ymax = conf.high)) +
    geom_pointrange() +
    geom_point(size = 3) +
    labs(y = "F1-score",
         x = "") +
    theme(axis.title = element_text(size=10)) 

median(metricas_result_exp01$f1_score)
## [1] 0.9090909
#Calcula a media das posições escolhidas nas buscas.
set.seed(123)

f1_score_boot <- function (d, i) {
    dt<-d[i,]
    c(
        median(dt$f1_score)
    )
}

boot.aproach_exp01 <- metricas_result_exp01 %>%
  group_by(aproach) %>% 
  mutate(cors_boot = list(
      boot(
          data = metricas_result_exp01, 
          statistic = f1_score_boot, 
          R = 4000
          )
      )
     )

ics.aproach_exp01 <- boot.aproach_exp01 %>% 
    group_by(aproach) %>% 
    summarise(
        ci = list(tidy(cors_boot[[1]], 
          conf.level = .95,
          conf.method = "bca",
          conf.int = TRUE))
    ) %>% 
    unnest(ci) 


ics.aproach_exp01 %>%
    ggplot(aes(x = aproach, y = statistic,
               ymin = conf.low,
               ymax = conf.high)) +
    geom_pointrange() +
    geom_point(size = 3) +
    labs(y = "F1-score",
         x = "") +
    theme(axis.title = element_text(size=10)) 

Vamos analisar as Combinações

metricas_result_exp01 %>%
ggplot() +
  geom_boxplot(aes(x=combination, y=f1_score), fill = "white")  +
  geom_point(alpha = 0.4, aes(x=combination, y=f1_score, color=aproach), position = "jitter") +
  coord_flip()

metricas_result_exp01 %>%
ggplot() +
  geom_boxplot(aes(x=combination, y=max_num_access_node), fill = "white")  +
  geom_point(alpha = 0.4, aes(x=combination, y=max_num_access_node, color=aproach), position = "jitter") +
  coord_flip()

metricas_result_exp01 %>%
ggplot() +
  geom_boxplot(aes(x=combination, y=max_durationMin), fill = "white")  +
  geom_point(alpha = 0.4, aes(x=combination, y=max_durationMin, color=aproach), position = "jitter") +
  coord_flip()